化合物活性预测模型产品系统

药物早期发现阶段，从海量化合物中筛选有活性的分子是成本极高且耗时的环节。传统实验筛选单分子成本高昂，而计算预测方法可在大规模虚拟筛选中快速缩小候选范围。本项目旨在构建一个基于公开生物活性数据的机器学习模型，为药物化学家提供高效的化合物活性预判工具，降低实验筛选的盲目性和研发成本。

本系统是一个基于机器学习的化合物生物活性预测工具，主要服务于药物早期发现阶段的候选分子筛选。
核心功能模块：
数据预处理模块：自动清洗ChEMBL等公共数据库的原始实验数据，处理缺失值、异常值和重复项，将非标准化的生物活性数据转换为pIC50标准值。
分子特征提取模块：支持输入分子的SMILES表达式，自动计算Morgan指纹（2048位）和RDKit分子描述符（200+维），将分子结构转化为可用于建模的特征向量。
模型训练与评估模块：集成多层感知机和随机森林两种算法，支持交叉验证、时间切分、支架划分等多种严格评估策略，确保模型泛化能力可量化。
批量预测与排序模块：支持对数千个候选分子进行并行预测，按活性评分从高到低排序输出，并附带每个预测的置信区间，辅助决策层判断。

完成从数据采集、清洗、特征工程、模型训练、评估到结果可视化的全部开发工作。
技术栈与架构：基于 Python，使用 Scikit-learn 构建多层感知机与随机森林模型，RDKit 提取 Morgan 指纹（2048位）和分子描述符（200+维），Pandas 完成大规模数据清洗与标准化，实现从原始数据到模型推理的自动化 Pipeline。
实现亮点：集成交叉验证、时间切分、支架划分三种评估策略，客观量化模型泛化能力。
遇到的主要难点：如何避免模型在相似分子骨架上的过拟合。解决方案是采用支架划分（scaffold split）策略，确保训练集与验证集的分子骨架互不重叠，真实反映模型对新结构的预测能力。最终模型在时间切分验证上 Spearman 达 0.5171，证明其具备良好的时效泛化能力。